zoukankan      html  css  js  c++  java
  • 拓端tecdat|bilibili视频流量数据潜望镜

    原文链接:http://tecdat.cn/?p=19006

    最新研究表明,中国有超过7亿人在观看在线视频内容。Bilibili,被称为哔哩哔哩或简称为B站,是中国大陆第二个弹幕视频网站,最大的年轻人潮流文化娱乐社区,截至2020年3月31日的第一季度它已经拥有超过1.7亿的月度用户,反映了许多人认为的该行业令人眼花缭乱的未来。

    热门话题和分区

     

    B站用户日渐成熟,二次元、和游戏成为主流分区;视频量排名前三的分别是生活类、游戏类。其中动画类的分区大多和鬼畜、动漫热门话题相关,这是B站的特色。


    图表1

    图片


    电子竞技和游戏区的相关的热点话题是游戏解说,包含解说、实况等关键词。可以认为“电竞”、“短片”(动画)这几个分区是B站的强项,一定要重点关注。

    “短片·一分钟”(动画区的子分区)话题为第三话题,意味着有趣的短片普遍会受到欢迎。我们看到最近大品牌也有在动画区做短片了。

    “东方”、“翻唱”这些特色小分区话题也值得关注。

    视频播放量和分区、话题

     

    我们根据播放量总共分为<332,332-925,925-2176,2176-6171,>61715个区间。


    图表2

    图片


    播放量整体还是大量的淹没视频,播放量小于332的达到了整体视频的45.6%,而播放量6171以上的只占到6.9%,按照“二八原则”,视频达到2176以上的播放量即达到B站视频实际效用的界限。

    可以看到游戏分区的视频播放量差异明显,网络游戏在播放量小于925的区间最多,电子竞技在小于332的区间最多,播放量越高的区间,出现越少。同时可以看到高播放量的游戏视频大多在混剪视频话题下。生活”和“游戏”两个区遥遥领先,占了大多数的流量,其它各区形成长尾。“生活”这个区占比如此之高,也是因为随着B站内容逐渐大众化,它里面曾经的小类变成了大类,比如“美食”、“搞笑”这样的子分区实际上是大类。

    从关联网络中发现Up主社团

     

    发表弹幕、投币、评论等,本身就有一种实时互动,完成着实实在在的、直接的互动。网站会根据用户的点击量进行视频推荐,参与热烈讨论的视频会出现在主页,受众能最快时间地看到页面。


    图表3

    图片


    通过这些信息,我们可以用网络社群发现算法挖掘发现受欢迎的视频up主类型。

    通过对于当前时间段热门排名TOP100中弹幕进行分析,将数据进行可视化处理,得到最热词汇,既可以知道在这一时间段网络舆论流行的大体趋势,把握用户心里态度,加强受众的互动反馈。还可以激发用户对于弹幕文化的探索的兴趣。使得用户保持新鲜度,延长软件寿命。

    可以看出基本上播放量基本是长尾数据,有大量的小数值的数据,但是整体的平均值受极值的影响较大。

    从案例结果来看,所有的B站up主被大致分为4个类别。

    • 类别1:

    该部分up主收藏数高于平均值,受到观众的喜爱,但评论和投币较低,仍有潜力;该类别大部分为业余up主,处于成长期。

      

    • 类别2:

    该部分播放量占了30%,是高播放量群体;与观众的互动良好;收藏、投币和分享高;

    该类up主粉丝数目也大部分超过十万,能够提供高质量且稳定的视频稿件,为该分区的高价值up主群体。

    • 类别3:

    该类别的弹幕高于平均值,证明与观众的互动率高;评论、收藏良好。

    • 类别4:

    该部分up主评论数高于平均值,证明话题性也较高,但弹幕和投币、收藏较低,说明需要提高视频稿件的质量,创作符合观众口味的视频。

    本文章中的所有信息(包括但不限于分析、预测、建议、数据、图表等内容)仅供参考,拓端数据(tecdat)不因文章的全部或部分内容产生的或因本文章而引致的任何损失承担任何责任。


    最受欢迎的见解

    1.数据类岗位需求的数据面

    2.探析大数据期刊文章研究热点

    3.机器学习助推快时尚精准销售预测

    4.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

    5.数据聆听人民网留言板的那些“网事”

    6.在r语言中使用GAM(广义相加模型)进行电力负荷时间序列分析

    7.用数据解读体育决策:挖掘体育赛事新价值

    8.把握出租车行驶的数据脉搏

    9.智能门锁“剁手”数据攻略

    ▍关注我们 【大数据部落】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。 ▍咨询链接:http://y0.cn/teradat ▍联系邮箱:3025393450@qq.com
  • 相关阅读:
    Cognitive Radio Cognitive Network Simulator (NS3 based)
    RCU(Read-Copy Update)synchronize原理分析
    英雄黑客:一个试图提高物联网安全性的“义务警员”
    Android NDK放弃GCC,全面转向Clang
    Why is FreeBSD deprecating GCC in favor of Clang/LLVM?
    (Low Level Virtual Machine) LLVM 与 Clang介绍
    RMS谈GCC、LLVM和Copyleft
    LLVM和Clang背后的故事
    FEP: 测试 lineage, 获得 CPU, MEMORY 统计信息
    以wifi-example-sim.cc为例说明NS3统计数据模型
  • 原文地址:https://www.cnblogs.com/tecdat/p/14311186.html
Copyright © 2011-2022 走看看